Zapojení AI do agenturních procesů – workshop ukázal, na co si dát pozor

16. 11. 2026

AI

Jiri Maly_workshop
Jak využívat AI v agenturních procesech, aniž by se při automatizaci ztrácely důležité informace a proč nemusí být více AI agentů vždy lepším řešením? Jiří Malý, šéf vývoje produkční platformy WPP Open, se na workshopu AKA zaměřil na schopnosti a limity současných modelů, práci s kontextem, využití AI agentů i praktické otázky zavádění AI do agenturních procesů.

Autor: Radana Čechová

Další ze série workshopů o AI, tentokrát na téma „AI pro leadership: Jak ji zavést do agentury“ otevřel Jiří Malý několika srovnáními, které dokládaly rychlost vývoje jazykových modelů v posledních letech. Ještě před několika lety měly problémy i s násobením víceciferných čísel. Dnes dokážou řešit matematické úlohy, se kterými si dlouhodobě nevěděli rady ani odborníci. V roce 2026 už model Claude Opus 4.6 dokázal najít řešení matematického problému z teorie grafů, který byl otevřený 56 let. Zabýval se jím i jeden z nejvýznamnějších počítačových vědců Donald Knuth, který následně o výsledku publikoval článek nazvaný „Claude’s Cycles“.

Pro komunikační agentury je důležité rozlišovat mezi úkoly, jejichž výsledek lze objektivně zkontrolovat, a těmi, u kterých žádné jednoznačné správné řešení neexistuje.

Proč se modely tak výrazně zlepšily právě v matematice? Podstatnou roli hraje možnost jednoznačně ověřit správnost výsledku. Novější (reasoning) modely navíc dokážou při řešení složitějších úloh postupovat v několika krocích, zvažovat různé možnosti a využívat více výpočetního výkonu k nalezení správného řešení.

Pro komunikační agentury je podle Jiřího Malého důležité rozlišovat mezi úkoly, jejichž výsledek lze objektivně zkontrolovat, a těmi, u kterých žádné jednoznačné správné řešení neexistuje. Zatímco správnost výpočtu nebo funkčnost kódu lze ověřit, u hodnocení kreativního konceptu nebo strategického doporučení je situace podstatně složitější.

Dalším problémem je sklon jazykových modelů souhlasit s uživatelem. Jejich odpovědi může ovlivnit už samotná formulace otázky nebo názor, který do ní uživatel vloží. Model tak nemusí být nezávislým oponentem, i když to od něj výslovně žádáme.

Co si AI skutečně pamatuje?

Zatímco lidský mozek se průběžně učí a každá nová zkušenost ovlivňuje jeho další fungování, jazykové modely pracují jinak. Samotná konverzace nemění jejich natrénované parametry. Pokud modelu například vysvětlíme specifika klienta nebo ho naučíme používat určitý styl komunikace, neznamená to, že si tyto informace trvale osvojil.

To, čemu dnes říkáme paměť AI, jsou podle Jiřího Malého ve skutečnosti poznámky uložené mimo samotný model. Mohou mít podobu souborů, databází nebo instrukcí, které se při další konverzaci znovu načtou. Model tedy pracuje pouze s informacemi, které má v danou chvíli k dispozici v kontextu.

Z toho vyplývají také důležité otázky pro agentury: kde jsou informace o klientech uložené, kdo k nim má přístup a co se s nimi děje při předávání mezi jednotlivými nástroji?

Problém ztraceného kontextu

Při práci s více AI agenty může docházet k postupné ztrátě informací. Představme si například situaci, kdy jeden agent zpracuje klientský brief a vytvoří jeho shrnutí, druhý na základě tohoto shrnutí navrhne strategii a třetí připraví konkrétní výstup. Každý z nich už pracuje pouze s tím, co mu předal předchozí agent. Pokud se při prvním shrnutí ztratí důležitý požadavek klienta, další agenti se o něm vůbec nedozvědí.

První generace ještě zůstávala u tématu, ale postupně ztrácela odborné detaily. Sedmá generace už psala o rozhovorech pro noviny a devátá generovala text o zajících s různobarevnými ocasy.

Malý v této souvislosti upozornil na takzvaný habsburský problém. Název odkazuje na habsburskou dynastii, v níž opakované příbuzenské sňatky vedly ke kumulaci genetických problémů. Podobný princip může fungovat i u AI, pokud se modely opakovaně učí na výstupech předchozích modelů a postupně ztrácejí kontakt s původními daty.

Jako příklad uvedl studii publikovanou v roce 2024 v časopise Nature. Výzkumníci nechali jazykový model opakovaně trénovat na textech, které vytvořila jeho předchozí generace. Původní text se zabýval církevní architekturou. První generace ještě zůstávala u tématu, ale postupně ztrácela odborné detaily. Sedmá generace už psala o rozhovorech pro noviny a devátá generovala text o zajících s různobarevnými ocasy.

„Tohle je to, co se může stát modelu, když se bude učit na pořád víc a víc syntetických datech. A když modelu nebudete dávat čerstvé vnější impulzy, které ho budou vracet k původnímu kontextu, tak se vám může stát, že se stanou ‚zajíci‘, ani si toho nevšimnete. Je to kopie, kopie, kopie,“ vysvětloval Jiří Malý.

Jak zajistit, aby se při předávání neztrácely důležité informace, o tom bych doporučil všem agenturám opravdu hluboce přemýšlet.

Podobný problém podle něj vzniká při předávání informací mezi AI agenty. „Představte si, že jednomu agentovi dáte celého Harryho Pottera. On z něj vytvoří nějaký výstup, který předáte dalšímu agentovi. Ten už ale nepracuje s původní knihou, pouze s tím, co mu předal první agent. A když má výsledek poslat dál, musí informace znovu zjednodušit. Při každém takovém předání se část původního kontextu ztrácí. To je jeden z největších problémů agentních systémů. Jak zajistit, aby se při předávání neztrácely důležité informace, o tom bych doporučil všem agenturám opravdu hluboce přemýšlet,“ nabádal přítomné Malý.

Jeden agent, nebo celý tým?

Malý doporučuje při zavádění AI do agenturních procesů dobře zvážit, zda je skutečně potřeba zapojovat více samostatných agentů. Alternativou je jedna hlavní smyčka, v níž model postupně plní jednotlivé úkoly, ale po celou dobu má přístup k původním podkladům. Může se k nim vracet a před odevzdáním výsledek zkontrolovat proti zadání.

Rozdíl ukázal na příkladu fiktivního klienta Pekárny Zrnko, který potřeboval zjistit, proč jeho věrnostní aplikaci přestala používat třetina uživatelů. Agentura měla připravit návrh výzkumu na základě tří dokumentů: původního e-mailového zadání, dat z aplikace a poznámek z pozdějšího jednání s klientem.

V dokumentech bylo deset důležitých detailů. Některé se týkaly rozsahu výzkumu, například omezení na Moravu a Slezsko nebo vyloučení respondentů mladších 18 let. Jiné měnily původní zadání: klient na jednání navýšil rozpočet ze 450 na 520 tisíc korun a posunul termín odevzdání výsledků. V dotazníku se navíc nesmělo objevit jméno konkrétního konkurenta.

Pro agentury je podstatné zejména to, že při předávání zkrácených informací mohou zmizet i zdánlivé drobnosti, které jsou pro klienta závazné.

Malý připravil dvě varianty zpracování. V první měl agent v roli account managera shrnout podklady do 200 slov, další agent měl pouze z tohoto shrnutí navrhnout postup a třetí na jeho základě napsat návrh pro klienta. Ve druhé variantě měl jeden model všechny tři dokumenty k dispozici po celou dobu, pracoval v jednotlivých krocích a nakonec měl svůj výstup porovnat s původním zadáním.

Smyslem srovnání bylo zjistit, kolik z deseti požadavků se dostane až do finálního návrhu. Pro agentury je podstatné zejména to, že při předávání zkrácených informací mohou zmizet i zdánlivé drobnosti, které jsou pro klienta závazné.

To ovšem neznamená, že by více agentů nemělo smysl používat. Podle Jiřího Malého je jejich zapojení vhodné například při paralelním zpracování oddělených úkolů, nezávislé kontrole výstupů nebo tam, kde jednotlivé role potřebují odlišná přístupová oprávnění.

Zrychlit práci, nebo změnit celý proces?

Při zavádění AI do agentury je podle Malého potřeba rozlišovat mezi automatizací jednotlivých úkolů a změnou celého pracovního procesu. V prvním případě zůstává dosavadní postup zachovaný, jen některé kroky probíhají rychleji. Analytik například využije AI k roztřídění otevřených odpovědí z výzkumu nebo PR konzultant k přípravě variant tiskové zprávy. Druhou možností je změnit pořadí a návaznost jednotlivých činností tak, aby na sebe lidé nemuseli zbytečně čekat.

Pokud model během několika minut vytvoří desítky návrhů, které pak senior musí několik hodin kontrolovat, „úzké hrdlo“ se podle Malého pouze přesune jinam.

Jako příklad posloužila příprava pravidelného klientského reportu. V běžném postupu junior nejprve exportuje data z reklamních a analytických platforem, sjednotí je a připraví grafy. Teprve potom může performance specialista vyhodnotit výsledky kampaní a další členové týmu doplnit komentáře a doporučení. Jednotlivé kroky na sebe navazují, takže zdržení na začátku ovlivní celý proces.

AI může část této práce převzít, ale samotné zrychlení exportu nebo přípravy grafů ještě nemusí znamenat výraznou úsporu. Pokud model během několika minut vytvoří desítky návrhů, které pak senior musí několik hodin kontrolovat, „úzké hrdlo“ se podle Malého pouze přesune jinam.

Navrhoval proto rozdělit proces na konkrétní kroky a u každého určit, co může udělat model, co zvládne běžný skript a kde musí rozhodovat člověk. U klientského reportu může AI pomoci s přípravou podkladů a hledáním odchylek v datech. Doporučení ke změně rozpočtu kampaně ale musí ověřit performance specialista, který zná okolnosti konkrétního účtu. Model například nemusí vědět, že se změnil způsob atribuce, a může proto doporučit omezení investic na základě zavádějícího srovnání.

Agentura si má pro nový proces zvolit konkrétní metriku, sledovat výsledky a podle nich upravovat pravidla i podklady, se kterými model pracuje.

Součástí návrhu nového procesu mají být také jasná pravidla schvalování. Nestačí určit, že výstup zkontroluje člověk. Je potřeba vědět, kdo za rozhodnutí odpovídá, podle čeho ho posuzuje a co se stane, pokud výstup neschválí.

Malý doporučoval změny průběžně vyhodnocovat. Agentura si má pro nový proces zvolit konkrétní metriku, sledovat výsledky a podle nich upravovat pravidla i podklady, se kterými model pracuje. Nejde tedy o jednorázové nastavení automatizace, ale o postup, který se na základě zkušeností dále upravuje.

Workshop se věnoval také tomu, jak AI ovlivní juniorní pozice a kde budou agentury vychovávat budoucí seniory, pokud automatizují práci, na které se dnes mladší kolegové učí. Malý představil výsledky výzkumů zaměřených na vliv AI na získávání profesních dovedností a diskutoval s účastníky možnosti, jak učení juniorů zachovat i v nově nastavených procesech. Došlo také na ekonomiku agentur a otázku, jak přistupovat k cenotvorbě služeb, jejichž příprava díky AI zabere výrazně méně času.

V sérii workshopů AKA zaměřených na praktické využití AI pokračujeme 11. prosince 2026 tématem „AI pro tvorbu klientských prezentací: od podkladů k přesvědčivému výsledku“. Hned v lednu navážeme dalšími AI tématy.

Všechny informace o workshopech a akcích najdete na stránce www.aka.cz/rozvoj.